Link to this sectionCarparts Segmentation Dataset#

The Ultralytics Carparts Segmentation Dataset provides 3,833 annotated images across 23 car-part classes — including bumpers, doors, lights, mirrors, hood, and trunk — for training instance segmentation models on automotive computer vision tasks. Captured from multiple perspectives and annotated with pixel-level masks, it pairs directly with Ultralytics YOLO for use cases ranging from automotive quality control and auto repair to insurance-claim damage assessment and autonomous-vehicle perception.

Link to this sectionデータセットの構造#

Carparts Segmentation Datasetの3,833枚の画像は、以下のように分割されています。

• Training set: 3,156 images used for training the deep learning model.
• Validation set: 401 images used during training to tune hyperparameters and prevent overfitting on validation data.
• テストセット: トレーニング後に保持されたテストデータでモデルを評価するために使用される276枚の画像。
• クラス: 合計23クラス — 22種類の名称付き自動車部品カテゴリ（バンパー、ドア、ライト、ガラス、ミラー、ボンネット、テールゲート、トランク、ホイール）に加え、それ以外の部品を網羅するobjectクラスが含まれます。
• ダウンロードサイズ: 約133 MB。

Link to this sectionアプリケーション#

Carparts Segmentationは、以下を含む様々な領域で応用されています：

• 自動車の品質管理: 製造中の自動車部品における欠陥や不整合の特定（製造業におけるAI）。
• 自動車修理: 修理または交換が必要な部品を特定するメカニックの支援。
• Eコマースカタログ: Eコマースプラットフォームのオンラインストアにおいて、自動車部品を自動的にタグ付けおよび分類。
• 交通監視: 交通監視映像における車両コンポーネントの分析。
• 自動運転車: 周囲の車両をより良く理解するための自動運転車の認識システムの強化。
• 保険処理: 保険請求中に影響を受けた自動車部品を特定し、損傷評価を自動化。
• リサイクル: 効率的なリサイクルプロセスのための車両コンポーネントの分類。
• スマートシティ・イニシアチブ: スマートシティ内の都市計画および交通管理システムへのデータ提供。

完全なCarparts Segmentation Datasetは、Ultralytics Platformで閲覧および管理することもできます。

Link to this sectionデータセット YAML#

YAMLファイルは、パス、クラス名、その他の重要な詳細を含むデータセット構成を定義します。Carparts Segmentationデータセットの場合、carparts-seg.yamlファイルが https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/carparts-seg.yaml で入手可能です。YAMLフォーマットの詳細については、yaml.orgを参照してください。

# Ultralytics 🚀 AGPL-3.0 License - https://ultralytics.com/license

# Carparts-seg dataset by Ultralytics
# Documentation: https://docs.ultralytics.com/datasets/segment/carparts-seg
# Example usage: yolo train data=carparts-seg.yaml
# parent
# ├── ultralytics
# └── datasets
#     └── carparts-seg ← downloads here (133 MB)

# Train/val/test sets as 1) dir: path/to/imgs, 2) file: path/to/imgs.txt, or 3) list: [path/to/imgs1, path/to/imgs2, ..]
path: carparts-seg # dataset root dir
train: images/train # train images (relative to 'path') 3156 images
val: images/val # val images (relative to 'path') 401 images
test: images/test # test images (relative to 'path') 276 images

# Classes
names:
  0: back_bumper
  1: back_door
  2: back_glass
  3: back_left_door
  4: back_left_light
  5: back_light
  6: back_right_door
  7: back_right_light
  8: front_bumper
  9: front_door
  10: front_glass
  11: front_left_door
  12: front_left_light
  13: front_light
  14: front_right_door
  15: front_right_light
  16: hood
  17: left_mirror
  18: object
  19: right_mirror
  20: tailgate
  21: trunk
  22: wheel

# Download script/URL (optional)
download: https://github.com/ultralytics/assets/releases/download/v0.0.0/carparts-seg.zip

Link to this section使用方法#

Carparts SegmentationデータセットでUltralytics YOLO26モデルを画像サイズ640、100エポックでトレーニングするには、以下のコードスニペットを使用してください。利用可能な引数の詳細なリストについては、モデルのトレーニングガイドを参照し、ベストプラクティスについてはモデルトレーニングのヒントを確認してください。

from ultralytics import YOLO

# Load a pretrained segmentation model like YOLO26n-seg
model = YOLO("yolo26n-seg.pt")  # load a pretrained model (recommended for training)

# Train the model on the Carparts Segmentation dataset
results = model.train(data="carparts-seg.yaml", epochs=100, imgsz=640)

# After training, you can validate the model's performance on the validation set
results = model.val()

# Or perform prediction on new images or videos
results = model.predict("path/to/your/image.jpg")

Link to this sectionサンプルデータとアノテーション#

以下は、Carparts Segmentation Datasetの画像例にオブジェクトセグメンテーションマスクを重ね合わせたもので、個々の自動車部品がどのように輪郭を描かれ、ラベル付けされているかを示しています。

このデータセットは、多様な場所、照明条件、オブジェクト密度をカバーしており、トレーニングされたモデルは、実世界の幅広いシーンに対応するために必要な汎化能力を習得できます。

Link to this section引用と謝辞#

Carparts Segmentationデータセットを研究や開発の取り組みで使用する場合は、元のソースを引用してください：

@misc{car-seg-un1pm_dataset,
      title = { car-seg Dataset },
      type = { Open Source Dataset },
      author = { Gianmarco Russo },
      url = { https://universe.roboflow.com/gianmarco-russo-vt9xr/car-seg-un1pm },
      year = { 2023 },
      month = { nov },
      note = { visited on 2024-01-24 },
}

コンピュータビジョンコミュニティのためにこの貴重なデータセットを作成・維持しているGianmarco Russo氏とRoboflowチームの貢献に感謝いたします。その他のデータセットについては、Ultralyticsデータセットコレクションをご覧ください。

Link to this sectionよくある質問 (FAQ)#

Link to this sectionCarparts Segmentation Datasetとは何か、またそれはUltralytics YOLO26でどのように使用されますか？#

The Carparts Segmentation Dataset is a curated collection of 3,833 annotated images spanning 23 car-part classes — bumpers, doors, lights, mirrors, hood, trunk, and more — for training and evaluating instance segmentation models. It's built for automotive computer vision applications like quality control, auto repair, and damage assessment, and is used directly with Ultralytics YOLO26 via the carparts-seg.yaml configuration file.

Link to this sectionCarparts Segmentation Datasetには何枚の画像といくつのクラスが含まれていますか？#

このデータセットは合計3,833枚の画像（トレーニング用3,156枚、検証用401枚、テスト用276枚）で構成され、23クラス（22種類の名称付き自動車部品カテゴリと、それ以外を網羅するobjectクラス）に分類されています。フルアーカイブは初回使用時に約133 MBの.zipファイルとして自動的にダウンロードされます。

Link to this sectionCarparts Segmentation Datasetを使用してUltralytics YOLO26モデルをトレーニングするにはどうすればよいですか？#

Load a pretrained segmentation model (e.g., yolo26n-seg.pt) and train it with the carparts-seg.yaml configuration using the Python or CLI snippets in the Usage section above. See the Training guide for the full list of available arguments.

Link to this sectionCarparts Segmentation Datasetにはどのような用途がありますか？#

自動車部品のセグメンテーションは、自動車の品質管理、修理、eコマースのカタログ作成、交通監視、自動運転車の認識、保険の損傷評価、リサイクル、スマートシティ構想などをサポートします。各ユースケースの詳細については、上記のアプリケーションセクションを参照してください。

Link to this sectionCarparts Segmentationのデータセット構成ファイルはどこで見つけられますか？#

データセットのパスとクラスに関する詳細を含むデータセット構成ファイルcarparts-seg.yamlは、Ultralytics GitHubリポジトリにあります：carparts-seg.yaml。

Link to this sectionなぜCarparts Segmentation Datasetを使用すべきなのですか？#

このデータセットは、自動車アプリケーション向けの正確なセグメンテーションモデルを開発するために不可欠な、リッチなアノテーション済みデータを提供します。その多様性は、自動車両検査、安全システムの強化、自動運転技術のサポートといった現実世界のシナリオにおけるモデルの堅牢性とパフォーマンスの向上に役立ちます。このように高品質でドメインに特化したデータセットを使用することで、AI開発が加速します。